一个典型网络服务器应用程序的例子是，考虑一个数据库服务器。当一个请求到达数据库服务器时，需要经过一连串的处理步骤。首先，解析和验证 SQL 语句。然后必须选择一个查询计划；对于复杂查询，数据库服务器将会评估许多不同的候选计划，以小化预期的 I/O 操作数量。搜索查询计划是一种 CPU 密集型任务；在某种情况下，考虑过多的候选计划将会产生负面影响，但是如果候选计划太少，所需的 I/O 操作肯定比实际数量要多。从磁盘检索到数据之后，也许需要对结果数据集进行更多的处理；查询可能包含聚合操作，比如 SUM、AVERAGE，或者需要对数据集进行排序。然后必须对结果进行编码并返回到请求程序。
　　像大多数服务器请求一样，处理 SQL 查询涉及到计算和 I/O。虽然添加额外的 CUP 不会减少完成 I/O 的时间（但是可以使用额外的内存，通过缓存以前的 I/O 操作结果来减少 I/O 数量），但是可以通过并行化来缩短请求处理的 CPU 密集型部分（比如计划评估和排序）的处理时间。在评估候选的查询计划时，可以并行评估不同的计划；在排序数据集时，可以将大数据集分解成更小的数据集，分别进行排序然后再合并。这样做会使用户觉得性能得到了提升，因为会更快收到结果（即使总体上可能需要更多工作来服务请求）。
　　Divide and conquer
　　合并排序是 divide-and-conquer 算法的一个例子，在这种算法中将一个问题递归分解成子问题，再将子问题的解决方案组合得到终结果。 divide-and-conquer 算法也可用于顺序环境中，但是在并行环境中更加有效，因为可以并行处理子问题。
　　典型的并行 divide-and-conquer 算法的形式如清单 1 所示：
　　清单 1. 通用 divide-and-conquer 并行算法的伪代码。
　　// PSEUDOCODE
　　Result solve(Problem problem) {
　　if (problem.size < SEQUENTIAL_THRESHOLD)
　　return solveSequentially(problem);
　　else {
　　Result left， right;
　　INVOKE-IN-PARALLEL {
　　left = solve(extractLeftHalf(problem));
　　right = solve(extractRightHalf(problem));
　　}
　　return combine(left， right);
　　}
　　}
　　并行 divide-and-conquer 算法首先对问题进行评估，确定其大小是否更适合使用顺序解决方案；通常，可通过将问题大小与某个阙值进行比较完成。如果问题大到需要并行分解，算法会将其分解成两个或更多子问题，并以并行方式对子问题递归调用算法本身，然后等待子问题的结果，后合并这些结果。用于选择顺序和并行执行方法的理想阙值是协调并行任务的成本。如果协调成本为 0，更多的更细粒度的任务会提供更好的并行性；在需要转向顺序方法之前，协调成本越低，可以划分更细粒度的任务。
　　Fork-join
　　清单 1 中的示例使用了实际上并不存在的 INVOKE-IN-PARALLEL 操作；它的行为表现为当前任务是暂停的，并行执行两个子任务，而当前任务等待两个子任务的完成。然后可以将两个子任务的结果进行合并。这种并行分解方法常常称作 fork-join，因为执行一个任务将首先分解（fork）为多个子任务，然后再合并（join）（完成后）。
　　清单 2 显示了一个适合使用 fork-join 解决方案的问题示例：在大型数组中搜索其中的大元素。虽然这个示例非常简单，但是 fork-join 技术可用于各种各样的搜索、排序和数据分析问题。
　　清单 2. 从大型数组中选择大元素
　　public class SelectMaxProblem {
　　private final int[] numbers;
　　private final int start;
　　private final int end;
　　public final int size;
　　// constructors elided
　　public int solveSequentially() {
　　int max = Integer.MIN_VALUE;
　　for (int i=start; i<end; i++) {
　　int n = numbers[i];
　　if (n > max)
　　max = n;
　　}
　　return max;
　　}
　　public SelectMaxProblem subproblem(int subStart， int subEnd) {
　　return new SelectMaxProblem(numbers， start + subStart，
　　start + subEnd);
　　}
　　}
　　注意 subproblem() 方法没有复制这些元素；它只是将数组引用和偏移复制到一个现有的数据结构中。这在 fork-join 问题实现中很常见，因为递归分解问题的过程将会创建大量的新 Problem 对象。 在这个例子中，搜索任务没有修改被搜索的数据结构，因此不需要维护每个任务的底层数据集的私有副本，也不会因复制而增加额外的开销。
　　清单 3 演示了使用 fork-join 包的 SelectMaxProblem 解决方案，Java 7 中已计划包含该包。JSR 166 Expert Group 正在公开开发这个包，使用的代码名称为 jsr166y，您可以单独下载它并在 Java 6 或更高版本中使用（它终将会包含在包 java.util.concurrent.forkjoin 中）。invoke-in-parallel 操作是用 coInvoke() 方法来实现的，该操作同时调用多个动作并等待所有动作完成。ForkJoinExecutor 跟 Executor 类似，因为它也是用来运行任务的，但它是专门针对计算密集型任务而设计的。这种任务不会被阻塞，除非它在等待由相同 ForkJoinExecutor 处理的另一个任务。
　　fork-join 框架支持几种风格的 ForkJoinTasks，包括那些需要显式完成的，以及需要循环执行的。这里使用的 RecursiveAction 类直接支持 non-result-bearing 任务的并行递归分解风格；RecursiveTask 类解决 result-bearing 任务的相同问题（其他 fork-join 任务类包括 CyclicAction、AsyncAction 和 LinkedAsyncAction；要获得关于如何使用它们的更多细节，请查阅 Javadoc）。